基于联邦学习的个性化学习资源推荐系统研究

作者：Jiao Han, Rui Fu, Hao Sun, Bi-Jing Li, Yu-Tao Zhang · 发表于：教育學刊 · 年份：2025 · DOI：10.62836/jer.v3n12.0912

韩姣，付瑞*，孙昊，李碧锦，张玉涛 潍坊科技学院信息科学与工程学院，山东潍坊 摘要：智能时代，开展学生个性化学习资源推荐需要多平台、多模态的学习数据协同。然而，数据孤岛、隐私合规与冷启动等问题并存，成为该类系统落地的关键障碍。联邦学习作为“数据不动、模型协同”的新型范式，具备不共享原始数据而实现跨域建模的优势，可在保障隐私的同时提升推荐效能。基于联邦学习的核心思路，本文构建了面向教育场景的“云—端”个性化学习资源推荐系统实现架构：云侧负责安全聚合与参数分发，端侧部署轻量化个性化模块以兼顾全局共享与本地适配。为推动该技术的教学落地，本文围绕横向联邦学习、纵向联邦学习与联邦迁移学习三类典型情境，系统阐述数据组织方式与训练流程，给出学校教务平台、在线课堂与数字图书馆等多方协同的实现路径。研究为在隐私保护前提下实现跨平台资源共享与冷启动缓解提供了可行方案，为个性化教育服务的推广应用与可持续发展提供参考。